Shapelet-based orientation and defect identification method for nanostructured surface imaging
Notice bibliographique
Résumé
Abstract Structure-property relations are of fundamental importance for continued progress in materials research. Determining these relationships for nanomaterials introduces additional challenges, especially when nanostructure is present, either through self-assembly or nano-lithographic processes. Recent advances have been made for quantification of nanostructured surfaces, for which many robust experimental imaging methods exist. One promising approach is based on the use of shapelet functions for image analysis, which may be used as a reduced basis for surface pattern structure resulting from a broad range of phenomena (e.g. self-assembly). These shapelet-based methods enable automated quantification of nanostructured images, guided by the user/researcher, providing pixel-level information of local order without requiring detailed knowledge of order symmetries. In this work, enhancements to the existing shapelet-based response distance method are developed which enable further analysis of local order, including quantification of local orientation and identification of topological defects . The presented shapelet-based methods are applied to a representative set of images of self-assembled surfaces from experimental characterization techniques including scanning electron microscopy, atomic force microscopy, and transmission electron microscopy. These methods are shown to be complementary in implementation and, importantly, provide researchers with a robust and generalized computational approach to comprehensively quantify nanostructure order, including local orientation and boundaries within well-aligned grains.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».